Previsão da anomalia de temperatura global usando redes LSTM gêmeas aditivas

Por que um mundo mais quente importa para você

O aquecimento global pode soar abstrato, mas seus efeitos estão longe de ser: elevações do nível do mar, ondas de calor mais intensas, alteração de padrões de tempestades e pressão sobre o fornecimento de alimentos e água. Para se preparar para o que vem pela frente, os cientistas precisam não apenas de instantâneos do clima atual, mas de estimativas confiáveis de quão rápido as temperaturas subirão nas próximas décadas. Este artigo explora uma nova maneira de usar inteligência artificial para prever quanto o planeta provavelmente vai aquecer e o que isso significa para nosso futuro próximo.

De termômetros brutos às tendências de grande escala

Em vez de trabalhar com relatórios meteorológicos de uma única cidade, os pesquisadores usam um registro global conhecido como conjunto de dados de anomalia de temperatura Berkeley Earth. Uma “anomalia de temperatura” é simplesmente o quanto um período é mais quente ou mais frio em comparação com uma linha de base histórica escolhida. Como leituras mês a mês são ruidosas e fortemente influenciadas por particularidades locais, a equipe se apoia em médias de cinco anos cobrindo 170 anos, desde meados do século XIX até 2022. Suavizar os dados dessa forma reduz oscilações aleatórias e revela melhor a tendência de aquecimento subjacente, que reflete a resposta de longo prazo do planeta aos gases de efeito estufa e a outras influências.

Ensinando uma rede neural a lembrar o clima

Para capturar essa tendência e projetá‑la para frente, os autores recorrem a um tipo de rede neural artificial chamada Long Short‑Term Memory, ou LSTM. LSTMs são projetadas para lidar com sequências — como palavras em uma frase ou temperaturas ao longo do tempo — decidindo quais pedaços de informação passada manter e quais esquecer. Modelos LSTM tradicionais e correlatos se saem bem em previsões de curto prazo, como adivinhar o próximo ponto de dados. Mas quando suas próprias estimativas são realimentadas como entrada para prever muitos passos à frente, pequenos erros se acumulam e a perspectiva de longo prazo pode se afastar consideravelmente da realidade.

Dividindo sinais climáticos em fluxos gêmeos

A inovação central deste trabalho é uma LSTM Gêmea Aditiva (AT‑LSTM). Em vez de uma única LSTM tentar imitar cada reviravolta do registro climático, o modelo usa dois ramos LSTM paralelos. Cada ramo pode se concentrar em diferentes motores ocultos dos dados — por exemplo, o aquecimento lento devido aos gases de efeito estufa versus oscilações mais rápidas ligadas a variações naturais do clima. As saídas desses ramos gêmeos são então somadas e passadas por uma rede “decodificadora” final que transforma o sinal combinado em uma previsão de anomalia de temperatura. Esse desenho em gêmeos não só se alinha à maneira como os cientistas climáticos pensam sobre múltiplos processos, em parte independentes, no sistema terrestre, como também amplia a faixa útil dos sinais internos da rede, ajudando‑a a permanecer mais estável em horizontes de previsão longos.

Pondo o modelo à prova

Para verificar se a AT‑LSTM realmente melhora a previsão de longo prazo, os autores realizam um teste em duas etapas. Primeiro, eles treinam o modelo tanto em séries de referência sintéticas — curvas geradas por computador, limpas, que imitam diferentes tipos de trajetórias de aquecimento — quanto nos dados históricos do Berkeley. Eles comparam quão bem vários desenhos de redes neurais reproduzem tanto seus dados de treinamento quanto uma porção “teste” separada de cada série que os modelos nunca viram durante o treinamento. Muitos modelos, incluindo alguns híbridos que misturam LSTMs com camadas convolucionais, parecem impressionantes por essas medidas padrão. Contudo, reproduzir dados passados não é o mesmo que enxergar o futuro de forma confiável.

Avaliando modelos pela previsão, não apenas pelo ajuste

A segunda etapa é mais próxima do uso no mundo real. Partindo do último ponto observado no conjunto de teste, cada modelo usa sua própria previsão anterior como a próxima entrada, avançando 240 meses — 20 anos — sem jamais ser corrigido por dados reais. Essa configuração revela com que rapidez os erros se acumulam. Em uma variedade de arquiteturas, a AT‑LSTM tipicamente mostra os menores erros médios de previsão e as melhores pontuações estatísticas quando avaliada nessa tarefa de horizonte longo. Para o registro de anomalia de temperatura global em particular, o erro típico do modelo em uma janela de previsão simulada de 20 anos é cerca de 0,07 graus Celsius, marcadamente inferior ao de muitas abordagens concorrentes de aprendizado profundo.

O que a previsão diz sobre nosso futuro próximo

Munidos desse modelo com comportamento melhor, os autores geram projeções de 20 anos para as anomalias de temperatura global de 2022 a 2042. Treinando 40 versões da AT‑LSTM para capturar a incerteza de como o modelo aprende, eles constataram que todas apontam para aquecimento contínuo. Em 2042, o conjunto de previsões se concentra entre cerca de 1,05 °C e 1,67 °C acima da linha de base histórica, com média de 1,415 °C e incerteza estimada de aproximadamente ±0,073 °C. Esses números se alinham de perto com projeções de modelos climáticos convencionais e com alertas de organismos como o Painel Intergovernamental sobre Mudanças Climáticas. Em termos simples, se os padrões atuais continuarem, é provável que nos aproximemos ou ultrapassemos o limiar amplamente discutido de 1,5 °C nas próximas décadas, o que reforça a urgência de reduzir as emissões de gases de efeito estufa e seguir outras estratégias de mitigação climática.

Citação: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Palavras-chave: mudança climática, aquecimento global, anomalia de temperatura, redes neurais, previsão climática